- GraphReach：使用可达性估计的考虑位置的图神经网络;
- 密度函数涨落理论预测邻里尺度人口隔离分布动态;
- 通过集成层次聚类和关系度量学习的考虑树结构的图表示学习;
- 复杂网络的任意未知潜在几何的拓扑估计;
- 原子子图和网络的统计机制;
- 大流行控制政策不一致的意外后果;
- SIR流行病模型中的精确和近似解析解;
- 基于区块链交易图的机器学习方法进行比特币价格预测;
- 分配和评估：在协作团队中实现最佳绩效;
- 无症状传播的流行病：递归接触追踪的亚临界阶段;
- 用于发现阴谋和阴谋论叙事框架的自动化管道：Bridgegate、Pizzagate和网上讲故事;
- 从科学中检测信号：研究社区和先验知识的结构改善了基因调控实验的预测;
- 投票模型中的狂热和影响力最大化：何时瞄准狂热者？;
- TSAM：基于自注意力机制的有向网络中的时间链路预测;
- COVID-19大流行：使用社交媒体和自然语言处理识别关键问题;
- 基于情感分析和深度学习的跨文化极性和情感检测-以COVID-19为例;
- 使用时变图分析年度招聘趋势的可视化探索系统;
- 在COVID-19大流行期间使用移动电话数据观察到的全国移动性变化;
- 从平滑信号进行基于核的图学习：一个功能性视角;
- 社会网络安全第13章：COVID-19大流行的案例研究;
- 时变逆SEIR模型在保加利亚的COVID-19传输动力学的数学和计算机建模;
- 随机梯度下降确实可以很好地使应力最小化;
- KCoreMotif：利用k核分解和模体的大型网络高效图聚类算法;
- 社会网络分析中的同质性原则;
- 大规模测试和主动性会影响流行病的传播;
- 增强或扭曲了人群的智慧？社会影响下基于主体的意见形成模型;
- 动态时间序列预测对机构影响的隐式多特征学习;
- 临时社会网络中具有避免冲突的具有社交相似性的TCP;
- 在社会网络中使用兴趣树进行数据分发;
- 机器学习对印度COVID-19病例的分析：干预研究;
- 具有度-度相关性的网络是边染色随机图的特例;
- 像COVID-19这样的可控制流行病的新数学模型：人工智能实现的预测;
GraphReach：使用可达性估计的考虑位置的图神经网络
原文标题： GraphReach: Locality-Aware Graph Neural Networks using Reachability Estimations
地址： http://arxiv.org/abs/2008.09657
作者： Sunil Nishad, Shubhangi Agarwal, Arnab Bhattacharya, Sayan Ranu
摘要： 通过使用图神经网络（GNN）在低维空间中表示图来分析图是一个有前途的研究问题，并且正在进行大量研究。在本文中，我们提出了GraphReach，这是一种位置感知的GNN框架，该框架刻画相对于一组固定节点（称为锚点）的节点的全局定位。该模型包含了通过多个随机游走刻画的来自锚点的节点可达性，反之亦然。我们使用随机游走，因为它可以更好地刻画位置。广泛的实验评估比较了模型的不同变体，可深入了解其在下游预测任务中的良好表现。 GraphReach明显优于当前的最新模型，并以ROC AUC衡量，分别对标准的成对节点分类和链路预测任务分别提高了31和11个百分点。
密度函数涨落理论预测邻里尺度人口隔离分布动态
原文标题： Forecasting the dynamics of segregated population distributions at the neighborhood scale using Density-Functional Fluctuation Theory
地址： http://arxiv.org/abs/2008.09663
作者： Yuchao Chen, Yunus A. Kinkhabwala, Boris Barron, Matthew Hall, Tomas A. Arias, Itai Cohen
摘要： 有关住房，交通和资源分配的决策都将受益于准确的邻里规模人口预测。尽管在区域尺度上存在各种预测方法，但是开发邻域尺度的预测仍然是一个挑战，因为从住房政策到社会偏好和经济状况等复杂的住房选择驱动因素累计会导致邻里尺度严重隔离。在这里，我们展示了如何通过将一种称为密度函数涨落理论（DFFT）的新型统计物理学方法扩展到多分量时变系统来预测邻域人口统计学的动态。特别是，该技术观察了邻里规模人口统计学的波动，以提取有效的种族隔离驱动因素。作为演示，我们使用Schelling类型的隔离模型模拟隔离的城市，并发现DFFT可以准确地预测城市规模的人口变化如何逐步降低到街区规模。如果这些结果扩展到实际人口，DFFT可以利用人口统计数据收集和区域尺度预测的最新进展来生成准确的邻里尺度预测。
通过集成层次聚类和关系度量学习的考虑树结构的图表示学习
原文标题： Tree Structure-Aware Graph Representation Learning via Integrated Hierarchical Aggregation and Relational Metric Learning
地址： http://arxiv.org/abs/2008.10003
作者： Ziyue Qiao, Pengyang Wang, Yanjie Fu, Yi Du, Pengfei Wang, Yuanchun Zhou
摘要： 尽管图神经网络（GNN）在学习齐次图的节点表示方面显示出优势，但是在异构图上利用GNN仍然是一个具有挑战性的问题。主要原因是GNN通过聚集邻居信息而不考虑节点类型来学习节点表示。提出了一些工作来缓解这种问题，方法是利用关系或元路径对具有不同类别的邻居进行采样，然后使用注意力机制来了解不同类别的重要性。但是，一个局限性在于，学习到的用于不同类型节点的表示应具有不同的特征空间，而上述所有工作仍将节点表示投影到一个特征空间中。此外，在研究了庞大的异构图之后，我们发现了一个事实，即具有相同类型的多个节点始终连接到具有另一类型的节点，这揭示了多对一的架构，也就是分层树结构。但是上述所有工作都不能保留这种树结构，因为从邻居到目标节点的确切多跳路径相关性将通过聚合来消除。因此，为了克服文献的局限性，我们提出了T-GNN，这是一种用于树结构表示的图表示学习的树结构感知图神经网络模型。具体而言，提出的T-GNN由两个模块组成：（1）集成层次聚合模块和（2）关系度量学习模块。集成的层次聚合模块旨在通过将GNN与门控循环单元相结合以将树结构上的层次结构和顺序邻域信息集成到节点表示中来保留树结构。关系度量学习模块旨在通过将每种类型的节点嵌入到基于相似性度量具有不同分布的特定于类型的空间中来保留异构性。
复杂网络的任意未知潜在几何的拓扑估计
原文标题： Topological estimation of arbitrary unknown latent geometries of complex networks
地址： http://arxiv.org/abs/2008.10204
作者： Bukyoung Jhun
摘要： 许多网络都嵌入其潜在的几何结构中。如果两个节点紧密地嵌入在潜在的几何结构中，则它们通过链接连接的可能性非常高。潜在的几何学具有广泛的实际应用，并且某些流行过程遍布整个潜在的几何学。尽管已经对潜伏双曲空间中的网络嵌入进行了广泛的研究，但很少进行研究来开发一种估计复杂网络的一般未知潜伏几何的方法。在这里，我们开发了一些方法，可以根据某些条件通过删除高负载链接来估算给定网络的未知潜在几何形状。我们的方法估计了潜伏几何的同源性，并提供了潜伏几何的简化图。
原子子图和网络的统计机制
原文标题： Atomic subgraphs and the statistical mechanics of networks
地址： http://arxiv.org/abs/2008.10346
作者： Anatol E. Wegner, Sofia Olhede
摘要： 我们开发了随机图模型，其中不仅通过边连接成对的顶点，而且通过任意拓扑的小原子子图的副本连接成对的更大的顶点子集来生成图。这允许生成带有大量三角形和其他网络主题的图，这些三角形通常在许多现实世界的网络中都可以观察到。更具体地说，我们关注在原子子图的计数和分布约束下的最大熵集合，并导出此类模型的熵的一般表达式。我们还提出了一种用于组合多个原子子图的分布的过程，该过程可以构建具有较少参数的模型。扩展模型以包括带有边和顶点标签的原子，我们获得了可以根据基本构件及其分布进行参数化的一类常规模型，其中包括许多广泛使用的模型作为特殊情况。这些模型包括具有任意子图分布的随机图，随机超图，二部模型，随机块模型，多层网络模型及其程度校正和有向版本。我们表明，所有这些模型的熵都可以从单个表达式得到，该单个表达式的特征是原子子图的对称组。
大流行控制政策不一致的意外后果
原文标题： The unintended consequences of inconsistent pandemic control policies
地址： http://arxiv.org/abs/2008.09629
作者： Benjamin M. Althouse, Brendan Wallace, Brendan Case, Samuel V. Scarpino, Andrew M. Berdahl, Easton R. White, Laurent Hebert-Dufresne
摘要： 控制COVID-19的传播-即使在获得获得许可的疫苗后-仍需要有效使用非药物干预措施：物理疏远，限制小组人数，戴口罩等。迄今为止，此类干预措施尚未统一或系统地进行在大多数国家/地区都已实施。例如，即使在严格的“全屋服务”命令下，许多司法管辖区也准予例外，并且/或者紧邻法规完全不同的地方。在这里，我们通过将搜索和移动性数据耦合到SARS-COV2传播的简单数学模型，来研究这种地理上的矛盾在流行控制策略中的影响。我们的结果表明，尽管居家订单减少了美国大部分地区的联系，但某些特定的活动和场所的出勤率却经常增加。实际上，在2020年3月，美国有10％到30％的教堂参加会议；即使在全国范围内访问教堂的总数有所下降。这种异质性使得某些场馆的出勤率显著增加，而其他场馆则关闭，这表明封闭会导致个人找到一个开放的场馆，即使这需要长途旅行。而且的确，同期美国到达教堂的平均距离增加了13％。令人惊讶的是，我们的模型表明，在广泛的模型参数中，局部措施通常总比没有措施更糟糕，在这种情况下，如果不控制疫情暴发，不遵守政策的个人可能会前往邻近地区而造成流行病。总而言之，我们的数据分析和建模结果突显了流行病控制政策不一致可能带来的意想不到的后果，并强调了平衡人口的社会需求与爆发流行病的风险的重要性。
SIR流行病模型中的精确和近似解析解
原文标题： Exact and approximate analytic solutions in the SIR epidemic model
地址： http://arxiv.org/abs/2008.09637
作者： Mario Berberan-Santos
摘要： 在这项工作中，针对SIR流行病模型获得了一些新的精确和近似分析解决方案，这些解决方案是根据无因次变量和参数制定的。使用Lambert W函数（主要分支和次要分支），易感人群（S）以这种方式明确地与感染人群（I）相关。还获得了未感染该疾病的人群比例的简单而准确的关系。还可以使用简单的函数（对R0->无穷大进行修正后的函数），对任何R0（基本乘法数）值的精确度建模，以分析易感性，传染性和移出种群的显著时间依赖性以及流行曲线。极限情况（逻辑曲线）。还显示出，对于I0 << S0，比率I0 / S0的变化对总体演化曲线的影响相当于时间偏移，其形状和相对位置不受影响。
基于区块链交易图的机器学习方法进行比特币价格预测
原文标题： A Blockchain Transaction Graph based Machine Learning Method for Bitcoin Price Prediction
地址： http://arxiv.org/abs/2008.09667
作者： Xiao Li, Weili Wu
摘要： 比特币，作为最受欢迎的加密货币之一，最近吸引了投资者的极大关注。因此，比特币价格预测任务是一个新兴的学术话题，旨在提供宝贵的见解和建议。现有的比特币预测工作主要基于琐碎的特征工程，该工程从多个领域手动设计特征或因素，包括Bticoin区块链信息，金融和社交媒体情绪。特征工程不仅需要大量的人工，而且不能保证直观设计的特征的有效性。在本文中，我们旨在挖掘比特币交易中编码的大量模式，并提出k阶交易图以揭示不同范围内的模式。我们提出基于事务图的功能来自动编码模式。提出了一种可以接受特征并进行价格预测的新颖预测方法，该方法可以利用不同历史时期的特定模式。比较实验的结果表明，所提出的方法优于最新的方法。
分配和评估：在协作团队中实现最佳绩效
原文标题： Assign and Appraise: Achieving Optimal Performance in Collaborative Teams
地址： http://arxiv.org/abs/2008.09817
作者： Elizabeth Y. Huang, Dario Paccagnan, Wenjun Mei, Francesco Bullo
摘要： 解决复杂的团队问题需要了解每个团队成员的技能，以便设计任务分配以最大化团队绩效。本文提出了一种新颖的定量模型，该模型描述了分散的过程，通过该过程，团队中的个人可以学习谁具有什么能力，同时为每个团队成员分配任务。在模型中，评估网络代表团队成员彼此之间的评估，并且每个团队成员都选择自己的工作量。评估和工作负荷分配同时更改：每个成员根据先前任务表现的绩效对相邻成员进行自己的本地评估，而工作负荷则根据当前评估估计进行重新分配。我们表明，由于存在与评估网络周期相关的保守量，评估状态可以降低到较低的维度。在此基础上，我们提供了严格的结果，以表征团队学习彼此技能的能力（或无能力），从而收敛到最大化团队绩效的分配。我们通过大量的数值实验来补充我们的分析。
无症状传播的流行病：递归接触追踪的亚临界阶段
原文标题： Epidemics with asymptomatic transmission: Sub-critical phase from recursive contact tracing
地址： http://arxiv.org/abs/2008.09896
作者： Lorenz Baumgarten, Stefan Bornholdt
摘要： COVID-19流行病带来的挑战使人们对开发新的抗传染病方法产生了新的兴趣。 SARS-CoV-2传播的显著特征是无症状传播的显著部分。这可能会影响标准联系人跟踪过程对隔离潜在感染者的有效性。但是，无症状传播对网络上流行病传播的流行阈值的影响在很大程度上是未知的。在这里，我们研究了用于递归隔离跟踪的递归接触跟踪算法的情况下，在简单的流行网络模型中的临界渗滤过渡。我们发现，在一定比例的无症状传播之上，标准的接触者追踪失去了其抑制传播阈值以下传播的能力。但是，我们还发现，递归的接触者追踪开辟了一种可能性，可以在大部分无症状或症状前传播中包含流行病。特别是，对于具有任意程度分布和递归深度不同的网络，我们计算了参与节点跟踪的网络节点所占的比例，并讨论了递归深度和无症状率对流行性渗流相变的影响。我们使用对感染树和网络的数值模拟测试并说明了我们的理论结果。我们预计递归接触跟踪将为基于数字，基于应用程序的接触跟踪工具提供基础，该工具可将接触跟踪的效率扩展到大部分无症状传播的疾病。
用于发现阴谋和阴谋论叙事框架的自动化管道：Bridgegate、Pizzagate和网上讲故事
原文标题： An automated pipeline for the discovery of conspiracy and conspiracy theory narrative frameworks: Bridgegate, Pizzagate and storytelling on the web
地址： http://arxiv.org/abs/2008.09961
作者： Timothy R. Tangherlini, Shadi Shahsavari, Behnam Shahbazi, Ehsan Ebrahimzadeh, Vwani Roychowdhury
摘要： 尽管已经对阴谋理论在社交媒体上的传播及其事实阴谋进行了大量关注，但在描述其叙事结构方面却很少进行计算。我们提供了一个自动管道，用于发现和描述社交媒体上阴谋理论的生成叙事框架以及新闻媒体中报道的实际阴谋。我们基于两个独立的帖子和新闻存储库来开展这项工作，这些存储库分别描述了2016年以来的著名阴谋论披萨盖特和2013年新泽西州的阴谋布里奇盖特。节点之间的边和自环刻画特定于上下文的关系。帖子和新闻被视为隐藏叙事网络的子图样本。重构底层结构的问题被提出为潜在模型估计问题。我们会自动从帖子和文章中提取并汇总参与者及其关系。我们通过开发超节点和子节点系统来刻画特定于上下文的参与者和交互关系。我们使用它们来构建一个网络，该网络构成了底层的叙事框架。我们将展示Pizzagate框架如何依赖于阴谋理论家对“隐藏知识”的解释来将人类互动的其他不相关领域联系起来，并假设这种多领域关注是阴谋理论的重要特征。 Pizzagate依靠多个领域的统一，而Bridgegate仍然坚定地植根于新泽西政治的单个领域。我们假设，阴谋理论的叙事框架与实际的叙事框架相反，可能会迅速稳定下来，而随着实际情况的发展，阴谋理论的叙事框架可能会发展得更慢。
从科学中检测信号：研究社区和先验知识的结构改善了基因调控实验的预测
原文标题： Detecting signal from science:The structure of research communities and prior knowledge improves prediction of genetic regulatory experiments
地址： http://arxiv.org/abs/2008.09985
作者： Alexander V. Belikov, Andrey Rzhetsky, James Evans
摘要： 近年来，科学家，科学期刊，文章和发现的爆炸性增长成倍地增加了科学家在导航现有知识时面临的困难。有关已发表发现的可重复性的不确定性加剧了这一挑战。一方面，大量的数字档案，机器读取和提取工具以及自动化的高通量实验的可用性，使我们能够大规模评估这些挑战，并确定加速科学进步的新机会。在这里，我们展示了一种贝叶斯演算，它可以通过从已发表的有关基因相互作用的文献中自动提取的发现，对健壮，可复制的科学主张做出积极的预测。我们将这些发现（经科学过滤）与通过大规模LINCS L1000高通量实验测量的未经过滤的基因相互作用相匹配，以识别和抵消偏倚的来源。我们的演算建立在易于提取的出版物元数据的基础上，这些出版物元数据涉及科学知识在先验知识网络中的位置以及其在机构，作者和社区中的广泛支持，从而揭示了以科学为重点但社会和机构独立的研究活动是最重要的。可能复制。这些发现提出了一些政策，这些政策与将生物医学研究资金分配到集中的研究财团和研究机构而不是更广泛地分散其做法背道而驰。我们的结果表明，可靠的科学发现取决于共同关注和独立性之间的微妙平衡，并且可以通过计算利用此复杂模式来解码偏见并预测已发表发现的可复制性。这些见解为导航研究文献的科学家以及寻求改进研究文献的科学资助者提供了指导。
投票模型中的狂热和影响力最大化：何时瞄准狂热者？
原文标题： Zealotry and Influence Maximization in the Voter Model: When to Target Zealots?
地址： http://arxiv.org/abs/2008.10012
作者： Guillermo Romero Moreno (1), Edoardo Manino (1), Long Tran-Thanh (2), Markus Brede (1) ((1) University of Southampton, (2) University of Warwick)
摘要： 在本文中，我们研究在复杂网络上存在偏见选民（或狂热分子）的情况下，选民模型中的影响最大化。在什么条件下应该使用预算有限的外部控制器，以使其对系统目标狂热者的影响最大化？基于分析和数值结果，我们的分析显示了丰富的偏好和程度依赖关系，这些偏好和依赖程度随预算而变化。我们发现，当我们有大量预算或针对狂热分子的水平较低时，最佳策略应为狂热分子提供更大的分配，并且分配与节点度呈正相关。相比之下，对于预算低或狂热的狂热者，最优策略为正常的主体分配了更高的分配，对狂热者有一些剩余的分配，并且两种类型的主体的分配都随着节点度的降低而减少。我们的结果强调，主体属性的异构性强烈影响异构网络上的影响最大化策略。
TSAM：基于自注意力机制的有向网络中的时间链路预测
原文标题： TSAM: Temporal Link Prediction in Directed Networks based on Self-Attention Mechanism
地址： http://arxiv.org/abs/2008.10021
作者： Jinsong Li, Jianhua Peng, Shuxin Liu, Lintianran Weng, Cong Li
摘要： 图神经网络（GCN）的发展使从不断发展的复杂网络中学习结构特征成为可能。尽管各种各样的现实网络都是有向网络，但很少有现有的作品研究有向和时间网络的性质。在本文中，我们解决了有向网络中时间链路预测的问题，并提出了一种基于GCN和自我注意机制的深度学习模型，即TSAM。提出的模型采用自动编码器体系结构，该体系利用图注意层来刻画邻域节点的结构特征，以及一组图卷积层来刻画模体特征。具有自注意力的图循环单元层用于了解快照序列中的时间变化。我们在四个现实网络上进行了比较实验，以验证TSAM的有效性。实验结果表明，在两个评估指标下，TSAM优于大多数基准。
COVID-19大流行：使用社交媒体和自然语言处理识别关键问题
原文标题： COVID-19 Pandemic: Identifying Key Issues using Social Media and Natural Language Processing
地址： http://arxiv.org/abs/2008.10022
作者： Oladapo Oyebode, Chinenye Ndulue, Dinesh Mulchandani, Banuchitra Suruliraj, Ashfaq Adib, Fidelia Anulika Orji, Evangelos Milios, Stan Matwin, Rita Orji
摘要： COVID-19大流行在许多方面影响了人们的生活。社交媒体数据可以揭示公众对该流行病的看法和经验，还可以揭示阻碍或支持遏制该疾病在全球蔓延的努力的因素。在本文中，我们使用自然语言处理（NLP）技术分析了从六个社交媒体平台收集的与COVID-19相关的评论。我们从超过100万条随机选择的评论中找出了相关的自定义关键词以及它们各自的情感极性（负向或正向），然后使用主题分析将它们归类为更广泛的主题。我们的结果揭示了34个负面主题，其中17个是经济，社会政治，教育和政治问题。还确定了20个积极主题。我们讨论了负面问题，并根据正面主题和研究证据提出了应对措施。
基于情感分析和深度学习的跨文化极性和情感检测-以COVID-19为例
原文标题： Cross-Cultural Polarity and Emotion Detection Using Sentiment Analysis and Deep Learning -- a Case Study on COVID-19
地址： http://arxiv.org/abs/2008.10031
作者： Ali Shariq Imran, Sher Mohammad Doudpota, Zenun Kastrati, Rakhi Bhatra
摘要： 在面对危机的情况下，不同文化如何做出反应和做出反应，是一个社会规范和抗击局势的政治意愿的主要内容。通常，事件，社会压力或时间的需要是做出决定的必要，而这可能并不代表国家的意愿。尽管有些人对此感到满意，但其他人可能会表现出怨恨。冠状病毒（COVID-19）使各国对各自政府的决定产生了类似的情绪。社交媒体遭到轰炸，发布了包含COVID-19正面和负面情绪，大流行，封锁和主题标签的帖子。尽管地理位置相近，但许多邻国的反应却有所不同。例如，丹麦和瑞典有着许多相似之处，它们在各自政府的决定中相距甚远。然而，他们的国家的支持大体上是一致的，与南亚邻国不同，那里的人们表现出了极大的焦虑和不满。这项研究倾向于使用Twitter帖子上的自然语言处理（NLP）和深度学习技术来检测和分析在大流行初期和锁定期期间表现出的情绪极性和情绪。用于估计提取的推文中的情感极性和情感的深长短期记忆（LSTM）模型已经过训练，可以在情感140数据集上达到最新的准确性。表情符号的使用显示了一种独特的新颖方法，可以验证从Twitter提取的推文上的监督式深度学习模型。
使用时变图分析年度招聘趋势的可视化探索系统
原文标题： Visual Exploration System for Analyzing Trends in Annual Recruitment Using Time-varying Graphs
地址： http://arxiv.org/abs/2008.10039
作者： Toshiyuki T. Yokoyama, Masashi Okada, Tadahiro Taniguchi
摘要： 行业中的人力资源专家（HR）手动分析应届毕业生的年度招聘数据，这表明需要评估HR专家的招聘策略。每年，不同的申请人向公司发送工作申请。申请人属性（例如，英语技能或学术证书）之间的关系可以用来分析多年数据中招聘趋势的变化。但是，大多数属性未标准化，因此需要进行彻底的预处理。这种未规范化的数据阻碍了数据分析早期阶段申请人之间关系的有效比较。因此，迫切需要一个视觉探索系统来从多年的申请人之间的关系概述中获得见识。在这项研究中，我们提出了用于实体关联关联（Panacea）可视化系统的网络分析的极化属性。所提出的系统集成了时变图模型和动态图表可视化，用于异构表格数据。使用该系统，人力资源专家可以交互检查未来几年中潜在员工的两个属性之间的关系。此外，我们通过在实际数据集中查找隐藏趋势的代表性示例展示了万能药的可用性，然后描述了在万能药开发过程中获得的人力资源专家的反馈。拟议的万灵药系统使人力资源专家可以直观地探索新毕业生的年度招聘。
在COVID-19大流行期间使用移动电话数据观察到的全国移动性变化
原文标题： Country-wide mobility changes observed using mobile phone data during COVID-19 pandemic
地址： http://arxiv.org/abs/2008.10064
作者： Georg Heiler, Tobias Reisch, Jan Hurt, Mohammad Forghani, Aida Omani, Allan Hanbury, Farid Karimipour
摘要： 2020年3月，奥地利政府针对COVID-19大流行采取了广泛的封锁措施。基于主观印象和轶事证据，奥地利的公共和私人生活突然中断。在这里，我们定量评估了封锁对奥地利所有地区的影响，并使用近乎实时的匿名手机数据对整个奥地利的人口流动性每日变化进行了分析。我们描述了一个有效的数据聚合管道，并通过量化特定兴趣点（POI）上的移动电话流量，分析单个轨迹以及调查起源-目标图的群集结构来分析移动性。我们发现维也纳地铁站的通勤人数减少了80％以上，回转半径小于500 m的设备数量几乎翻了一番。研究人群移动行为的结果突出表明了移动网络结构的巨大变化，这体现在更高的模块化以及从12个到20个检测到的社区的增加中。我们通过显示从伊施格尔镇（早期COVID-19热点地区）流出的病毒与报告的COVID-19病例（有8天的时滞）之间的显著相关性，证明了流动性数据与流行病学研究的相关性。这项研究表明，手机使用情况数据可以对整个国家的移动行为进行逐时量化。我们强调有必要以匿名形式改善此类数据的可用性，以增强对COVID-19和未来大流行病的应对能力。
从平滑信号进行基于核的图学习：一个功能性视角
原文标题： Kernel-based Graph Learning from Smooth Signals: A Functional Viewpoint
地址： http://arxiv.org/abs/2008.10065
作者： Xingyue Pu, Siu Lun Chau, Xiaowen Dong, Dino Sejdinovic
摘要： 图学习的问题涉及显式拓扑结构的构建，该结构揭示了表示数据实体的节点之间的关系，它在机器学习和图信号处理领域的许多基于图的表示和算法的成功中起着越来越重要的作用。在本文中，我们提出了一种新颖的图学习框架，该框架结合了节点侧信息和观察侧信息，尤其是有助于解释图信号中依存关系的协变量。为此，我们将图信号视为与Kronecker乘积内核关联的再现内核Hilbert空间中的函数，并将功能学习与平滑度提高的图学习相结合，以学习表示节点之间关系的图。功能学习提高了图学习针对图信号中丢失和不完整信息的鲁棒性。此外，我们开发了一种新颖的基于图的正则化方法，当与Kronecker产品内核结合使用时，我们的模型既可以刻画图解释的依赖性，又可以刻画在不同但相关的情况下（例如，不同的时间点。后者意味着图信号没有i.i.d.经典图学习模型所需的假设。对合成数据和实际数据进行的实验表明，在从图信号中学习有意义的图拓扑时，尤其是在重噪声，缺失值和多重依赖性的情况下，我们的方法优于最新模型。
社会网络安全第13章：COVID-19大流行的案例研究
原文标题： Social Cybersecurity Chapter 13: Casestudy with COVID-19 Pandemic
地址： http://arxiv.org/abs/2008.10102
作者： David M. Beskow, Kathleen M. Carley
摘要： 本案例研究的目的是利用前面各章中介绍的概念和工具，并将其应用于现实世界的社会网络安全环境中。随着COVID-19大流行成为21世纪的标志性事件并吸引了虚假信息的诱惑，我们选择了大流行及其相关的社交媒体对话，以专注于我们的工作。因此，本章将信息操作策略，漫游器检测和表征，模因检测和表征以及信息映射的工具应用于Twitter上与COVID-19相关的对话。本章使用这些工具来分析从2020年3月15日至2020年4月30日来自2700万唯一用户的2.06亿条推文的流。我们的结果揭示了精心设计的信息操作，这些信息操作充分利用了BEND演习的全部内容，并使用机器人进行了重要的整形操作。
时变逆SEIR模型在保加利亚的COVID-19传输动力学的数学和计算机建模
原文标题： Mathematical and Computer Modeling of COVID-19 Transmission Dynamics in Bulgaria by Time-depended Inverse SEIR Model
地址： http://arxiv.org/abs/2008.10360
作者： Svetozar Margenov, Nedyu Popivanov, Iva Ugrinova, Stanislav Harizanov, Tsvetan Hristov
摘要： 在本文中，我们探索了一个与时间有关的SEIR模型，在该模型中，通过非线性常微分方程组对选定目标组（种群）中按感染划分的四组感染的动力学进行建模。该模型涉及几个基本参数：感染率，孵化率，恢复率的系数。该系数适用于每个国家的每种特定感染，并取决于限制感染传播的措施以及各个国家中感染者的治疗方法的有效性。如果知道这样的系数，则求解非线性系统就能够为流行病的发展做出一些假设。这就是首先使用保加利亚COVID-19数据，解决所谓的“反问题”并查找当前情况参数的原因。最初使用逆逻辑来确定模型参数作为时间的函数，然后由计算机来解决问题。即，这意味着预测这些参数的未来行为，并发现（并因此采取大规模措施，例如，疏远，消毒，限制公共事件），以适当的方式来改变这些参数的比例。未来的四个研究小组。实际上，基于这些结果，我们对保加利亚的COVID-19传播动态进行了建模，并对每天的新病例，活动病例和康复个体的数量进行了为期两周的预测。正如我们所展示的，这种模型已经成功地用于保加利亚局势的预测分析。我们还提供了带有可视化结果的数值实验的多个示例。
随机梯度下降确实可以很好地使应力最小化
原文标题： Stochastic Gradient Descent Works Really Well for Stress Minimization
地址： http://arxiv.org/abs/2008.10376
作者： Katharina Börsig, Ulrik Brandes, Barna Pasztor
摘要： 应力最小化是研究最好的力导向图布局方法之一，因为它可以可靠地生成高质量的布局。因此，基于随机梯度下降的新颖方法（Zheng，Pawar和Goodman，TVCG 2019）被宣称改进了基于主化的最新方法，这令人惊讶。我们提供的实验证据表明，这种新方法实际上并不能产生更好的布局，但仍是首选，因为它对不良的初始化更简单，更可靠。
KCoreMotif：利用k核分解和模体的大型网络高效图聚类算法
原文标题： KCoreMotif: An Efficient Graph Clustering Algorithm for Large Networks by Exploiting k-core Decomposition and Motifs
地址： http://arxiv.org/abs/2008.10380
作者： Gang Mei, Jingzhi Tu, Lei Xiao, Francesco Piccialli
摘要： 聚类分析已广泛用于各种复杂网络（如无线传感器网络和在线社会网络）的信任评估中。谱聚类是用于图结构数据（网络）的最常用算法之一。但是，由于传统的谱聚类需要计算上昂贵的矩阵操作，因此固有地难以与大规模网络一起使用。为了处理大型网络，在本文中，我们提出了一种有效的图聚类算法KCoreMotif，专门针对大型网络，通过利用k核分解和模体进行。提出的聚类算法背后的基本思想是在k核子图上而不是整个图上执行基于基元的有效谱聚类算法。更具体地说，（1）我们首先对大型输入网络进行k-core分解； （2）然后对前k个核心子图执行基于主题的谱聚类； （3）我们将其余（k-1）个核心子图中的其余顶点分组为先前找到的簇；最终获得大型输入网络的所需集群。为了评估所提出的图聚类算法KCoreMotif的性能，我们将常规和基于基序的谱聚类算法都用作基线，并将我们的算法与它们进行比较，以获取18组真实世界的数据集。比较结果表明，所提出的图聚类算法对于大型网络是准确而有效的，这也意味着它可以进一步用于评估大型网络上的集群内和集群间信任。
社会网络分析中的同质性原则
原文标题： The Homophily Principle in Social Network Analysis
地址： http://arxiv.org/abs/2008.10383
作者： Kazi Zainab Khanam, Gautam Srivastava, Vijay Mago
摘要： 近年来，社交媒体已成为社会网络无处不在的组成部分。社会研究人员关注的重点之一是志趣相投的人在社交团体中相互交流的趋势，这一概念被称为“同情”。对同质性的研究可以提供对社会中信息流和行为流的深刻见解，这在分析在线社区的形成方面非常有用。在本文中，我们回顾并调查了社会网络中同质性的影响，并总结了近年来提出的用于鉴定和衡量同质性在多种类型的社会网络中的影响的最新技术方法，并得出了一个关键的结论。讨论开放的挑战和未来研究的方向。
大规模测试和主动性会影响流行病的传播
原文标题： Mass testing and proactiveness affect epidemic spreading
地址： http://arxiv.org/abs/2008.10387
作者： Saptarshi Sinha, Deep Nath, Soumen Roy
摘要： 当病原体在其等级中包含无症状表型时，疾病的检测和管理变得相当复杂，这在最近的COVID-19大流行中很明显。疾病传播已在“易感-感染-康复-死亡”（SIRD）动态范式下进行了广泛研究。各种博弈论方法也已解决了疾病传播问题，其中许多方法将S，I，R和D视为策略而非状态。值得注意的是，根据上述方法进行的大多数研究并未考虑该疾病有症状或无症状方面的区别。众所周知，诸如洗手，戴口罩和远离社会等预防措施可以大大减轻许多传染性疾病的传播。在此，我们考虑采用策略等预防措施，并将S，I，R和D视为状态。我们还试图刻画有症状和无症状疾病引起的流行病传播差异。通过广泛的计算机模拟，我们研究了维持预防措施的成本以及人群中进行大规模检测的程度如何影响积极个体的最终比例。我们观察到，缺乏质量检测可能会导致无症状疾病大流行。
增强或扭曲了人群的智慧？社会影响下基于主体的意见形成模型
原文标题： Enhanced or distorted wisdom of crowds? An agent-based model of opinion formation under social influence
地址： http://arxiv.org/abs/2008.10423
作者： Pavlin Mavrodiev, Frank Schweitzer
摘要： 我们提出了一种基于主体的集体意见形成模型，以研究社会影响下人群的智慧。主体人的意见是连续的肯定值，表示其对事实问题的主观回答。群众的智慧表明，所有观点的平均数都接近于事实，即正确答案。但是，如果主体人有机会根据他人的意见来调整自己的意见，那么这种影响就可以消除。我们的模型通过评估两个相互竞争的影响来研究这种情况：（i）主体倾向于保留自己的观点（个人信念 beta ），（ii）如果他们具有关于他人观点的信息，则倾向于调整自己的观点（社会影响 alpha ）。对于后者，比较了两种不同的方式（完整信息与汇总信息）。我们的模拟表明，只有在极少数情况下，社会影响才会增强人群的智慧。大多数情况下，我们发现主体人会聚到一个集体意见，而集体意见与真正的答案相距甚远。因此，在社会影响下，人群的智慧可能是系统性的错误。
动态时间序列预测对机构影响的隐式多特征学习
原文标题： Implicit Multi-feature Learning for Dynamic Time Series Prediction of the Impact of Institutions
地址： http://arxiv.org/abs/2008.10447
作者： Xiaomei Bai, Fuli Zhang, Jie Hou, Feng Xia, Amr Tolba, Elsayed Elashkar
摘要： 预测研究机构的影响是决策者的重要工具，例如资助机构的资源分配。尽管在采用定量指标来衡量研究机构的影响方面付出了巨大的努力，但对于机构的影响是如何随时间演变的，鲜为人知。先前的研究集中在使用不同机构的历史相关性得分来预测这些机构未来的潜在影响。在本文中，我们探讨了可导致机构影响发生变化的因素，发现机构的影响（以机构接受论文的数量衡量）更多地取决于作者对机构影响的影响。机构。制度特征的地理位置和国家GDP可以驱动制度变化的影响。识别这些特征使我们能够建立一个预测模型，该模型综合了个人能力，机构所在地和州GDP的影响。该模型揭示了驱动机构未来影响的潜在因素，可用来准确预测机构的未来影响。
临时社会网络中具有避免冲突的具有社交相似性的TCP
原文标题： Social-Similarity-aware TCP with Collision Avoidance in Ad-hoc Social Networks
地址： http://arxiv.org/abs/2008.10448
作者： Hannan Bin Liaqat, Feng Xia, Jianhua Ma, Laurence Tianruo Yang, Ahmedin Mohammed Ahmed, Nana Yaw Asabere
摘要： 特设社会网络（ASNET）探索移动设备用户之间的社交连接，正在成为当今互联网最重要的形式之一。在这种情况下，资源稀缺环境中中间节点的最大带宽利用率是一项艰巨的任务。传统的传输控制协议（TCP）使用往返时间机制在用户之间共享带宽资源。但是，它没有探索节点之间的社交意识属性，也无法有效地区分无线网络中各种类型的分组丢失。为了提高ASNET的资源效率，提出了一种利用中间节点之间的社会属性相似匹配的社会感知拥塞避免协议TIBIAS。 TIBIAS通过TCP执行高效的数据传输。在带宽资源分配过程中，它为ASNET链路上不同TCP连接之间的最大匹配兴趣相似度赋予了较高的优先级。 TIBIAS不需要在较低层或接收器节点上进行任何修改。实验结果表明，与现有协议相比，TIBIAS在链路利用率，不必要地减少拥塞窗口，吞吐量和重传率方面表现更好。
在社会网络中使用兴趣树进行数据分发
原文标题： Data Dissemination Using Interest Tree in Socially Aware Networking
地址： http://arxiv.org/abs/2008.10449
作者： Feng Xia, Qiuyuan Yang, Jie Li, Jiannong Cao, Li Liu, Ahmedin Mohammed Ahmed
摘要： 具有社交意识的联网（SAN）利用移动用户的社交特征来简化机会性环境中的数据分发协议。该领域中的现有协议利用了各种社交功能，例如用户兴趣，社交相似性和社区结构，以提高数据分发的性能。但是，尚未充分探讨用户兴趣及其对数据分发效率的影响之间的相互关系。在本文中，我们分析了用户兴趣之间的各种关系，并使用基于层的结构对其进行了建模，以便在SAN范式中形成社交社区。我们提出了一种基于兴趣树的Int-Tree方案，该方案使用用户兴趣之间的关系来提高数据分发的性能。 Int-Tree的核心是兴趣树，这是一个基于树的社区结构，结合了两个社交功能，即社区的密度和社交联系，以支持数据分发。仿真结果表明，与两个基准协议PROPHET和Epidemic路由相比，Int-Tree可以实现更高的交付率和更低的开销。此外，Int-Tree的平均跳数为1.36，并且在缓冲区大小，生存时间（TTL）和仿真持续时间方面可以忍受延迟。最后，Int-Tree通过各种参数保持稳定的性能。
机器学习对印度COVID-19病例的分析：干预研究
原文标题： Analysis of COVID-19 cases in India through Machine Learning: A Study of Intervention
地址： http://arxiv.org/abs/2008.10450
作者： Hanuman Verma, Akshansh Gupta, Utkarsh Niranjan
摘要： 为了应对2019年冠状病毒疾病（COVID-19）大流行，世界上已经接种了疫苗，血浆疗法，牛群免疫力和流行病学干预措施很少。 COVID-19疫苗的开发正在进行中，可能需要花费大量时间来开发疫苗，而在开发后，需要花费时间为整个人群接种疫苗，并且血浆疗法有一定的局限性。对于小国而言，抗牧群性可能是抗击COVID-19的一种可行选择。但是对于像印度这样人口众多的国家而言，牛群免疫不是一个可行的选择，因为要获得牛群免疫，必须从COVID-19感染中恢复大约67％的人口，这将给该国的医疗系统带来额外负担国家，这将导致巨大的生命损失。因此，流行病学干预措施（完全锁定，部分锁定，隔离，隔离，社会隔离等）是印度减缓COVID-19传播直至疫苗开发的一些合适策略。在这项工作中，我们提出了带有干预措施的SIR模型，该模型将流行病学干预措施纳入了经典SIR模型中。为了模拟干预效果，我们引入了 r ho作为干预参数。 r ho是涵盖所有干预类型的累积数量。我们还讨论了有监督的机器学习方法，以在印度和印度一些州的COVID-19数据盛行的干预下估算SIR模型的传输速率（ b eta）。为了验证我们的模型，我们在COVID-19案例的实际数量和预测数量之间进行了比较。使用我们的模型，我们还提供了到2020年9月30日整个印度和印度部分邦的活跃和康复COVID-19病例的预测数量，并估计了预测病例的95％和99％置信区间。
具有度-度相关性的网络是边染色随机图的特例
原文标题： Networks with degree-degree correlations is a special case of edge-coloured random graphs
地址： http://arxiv.org/abs/2008.10506
作者： Samuel, G. Balogh, Gergely Palla, Ivan Kryven
摘要： 在复杂的网络中，相邻节点的程度通常看起来是相互依赖的，这给建模带来了挑战。通过显示这样的网络是边色随机图的特殊情况，我们提供了一个工作框架，用于研究具有任意联合分布的相邻节点的度数的网络。我们使用这种映射来研究具有混合混合的网络中的键渗透，并表明，与具有独立度的网络不同，连接的分量的大小可能对度分布中的微扰具有意外的敏感性。结果还表明，即使度分布的第二矩是有限的，度-度依存关系也可能具有消失的渗滤阈值。这些结果可用于设计可有效承受链路故障并指示没有明显不同集线器的网络中超级传播的可能性的人工网络。
像COVID-19这样的可控制流行病的新数学模型：人工智能实现的预测
原文标题： A New Mathematical Model for Controlled Pandemics Like COVID-19 : AI Implemented Predictions
地址： http://arxiv.org/abs/2008.10530
作者： Liam Dowling Jones, Malik Magdon-Ismail, Laura Mersini-Houghton, Steven Meshnick
摘要： 我们提出了一个新的数学模型，以明确显示三种限制措施的影响：锁定日期和时间，社交距离和遮罩以及学校和边境关闭对控制COVID-19感染的蔓延 i（r， t）。在引入限制之前，由SEIR模型描述的感染的随机传播呈指数增长。控制措施的增加在系统的演化过程中引入了有序和无序的混合，它们属于不同的数学模型类别，最终可能导致严重的现象。通用的分析解决方案很难获得。我们使用机器学习来求解 i（r，t）的新方程，在时间 t 的任何区域 r 感染 i ，并得出随时间变化的感染随时间的预测所采取的具体措施的强度及其持续时间。该机器接受了全球每个地区，县，州和国家/地区在COVID-19发布的所有数据中的培训。它利用优化从世界上每个区域的过去数据中学习模型参数的最佳拟合值，并针对可能在任何地方添加或放宽的任何未来限制更新预测的感染曲线。我们希望这种跨学科的工作是一种新的数学模型，该模型可以预测每种措施在减缓感染传播方面的影响，并结合机器学习的解决能力，是对抗当前大流行和潜在大流行的有用工具。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。